Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Gempa Sumatera 30 September 2009 telah merusak ratusan ribu bangunan di Provinsi Sumatera Barat. Gempa tersebut berlokasi di 100 km lepas pantai dari Kota Padang, ibu kota provinsi tersebut. Survei telah dilakukan untuk menilai kerusakan bangunan dalam beberapa hari setelah gempa. Dalam survei ini, kerusakan bangunan dikategorikan menjadi 3 tingkat yaitu berat, sedang, dan ringan. Tulisan ini membahas tingkat kerusakan bangunan dan intensitas getaran di daerah yang terkena. Selanjutnya berdasarkan koordinat dari setiap lokasi, bangunan yang disurvei diplotkan di dalam sebuah peta bersamaan dengan tingkat intensitas. Hubungan antara tingkat kerusakan dan intensitas gempa untuk Sumatera Barat selanjutnya dibuatkan. Hubungan unik kerusakan-intensitas ini merupakan hal yang sangat penting digunakan dalam memprediksi tingkat kerusakan akibat gempa tertentu. Tingkat kerusakan tersebut dibutuhkan oleh pemerintah untuk menyusun rencana anggaran pada tahap tanggap darurat dan rekonstruksi untuk bencana gempa di masa yang akan datang.

---

Abstract
The Sumatra 30 September 2009 earthquake has damaged hundred thousand buildings in West Sumatra Province. The earthquake is located in 100 km offshore of Padang City, the Capital City of the province. Survey has been conducted to assess the damage of the building in few days after the earthquake. In this survey, the damage of buildings are categorised into 3 level that are heavily, moderate and slightly damages. This paper explores the level damage of building and then the intensity of the shaking in the affected area. Then based on the coordinate of every building location, the buildings are scattered in a map together with the intensity level. The relationship between the damage level and intensity for West Sumatra then is developed. This special damage-intensity relation is very important to be used for predicting the damage level due to a specified earthquake. The damage level is needed by The Government to develop an emergency and reconstruction budget plan for earthquake disaster in future.

Abstrak :
Unknown.

Abstrak :
Analisis kualitas data stasiun pengamatan gempabumi menjadi sangat penting sebagai kontrol kualitas atau pengendali mutu. Saat ini penentuan kualitas stasiun pengamatan gempabumi dilakukan secara manual dengan menganalisis parameter bentuk spektrum noise atau bentuk spektrum power spectral density (PSD) terhadap bentuk noise model pada suatu stasiun dengan rentang waktu 30 hari oleh seorang pakar. Pada penelitian ini diusulkan pendekatan metode baru berbasis deep learning untuk mengenali kualitas stasiun pengamatan gempabumi, yang didasarkan dari kemampuan pakar dalam menganalisis kualitas data stasiun pengamatan gempabumi. Data yang digunakan ialah waveform rekaman seismometer 3 komponen (North-South, East-West, Z-vertical) pada jaringan stasiun pengamatan gempabumi Indonesia Tsunami Early Warning System (InaTEWS). Model arsitektur dalam rancang bangun sistem pakar ini menggunakan Multiple Input Convolutional Neural Network (MICNN), dalam model MICNN ini terdapat 3 blok Convolutional Neural Network, yang berfungsi sebagai ekstraksi fitur tiap komponen waveform rekaman seismometer, hasil ekstraksi fitur tiap blok CNN kemudian digabungkan untuk dilakukan proses klasifikasi pada model arsitektur MICNN. Terdapat 3 kelas klasifikasi yang digunakan pada penelitian ini, yaitu Classified, Usable dan Unusable. Pengujian terhadap model MICNN ini menggunakan rekaman waveform seismometer dari 411 stasiun InaTEWS dengan panjang rekaman 30 hari selama 12 bulan, dan hasil pengujian model MICNN pada penelitian ini memiliki akurasi sebesar 99,4% ......Analysis of the quality of the earthquake observation station data becomes very important as quality control. Currently, the determination of the quality of earthquake observation stations is done manually by analyzing the parameters of the shape of the noise spectrum or the form of the power spectral density (PSD) spectrum against the shape of the noise model at a station with a period of 30 days by an expert. This study proposes a new method approach based on deep learning to identify the quality of earthquake observation stations, which is based on the ability of experts to analyze the quality of earthquake observation station data. The data is a 3-component seismometer recording waveform (North-South, East-West, Z-vertical) on the Indonesian Tsunami Early Warning System (InaTEWS) earthquake observation station network. The architectural model in the design of this expert system uses Multiple Input Convolutional Neural Network (MICNN). In this MICNN model, 3 Convolutional Neural Network blocks function as feature extraction for each component of the seismometer recording waveform. Classification process on the MICNN architectural model. There are three classification classes used in this study, namely Classified, Usable and Unusable. The test of the MICNN model uses waveform seismometer recordings from 411 InaTEWS stations with a recording length of 30 days for 12 months, and the results of testing the MICNN model in this study have an accuracy of 99,4%.

Abstrak :
Kekuatan suatu struktur tidak hanya dipengaruhi oleh faktor usia tetapi juga pengaruh dari gaya eksternal yang dapat mempengaruhi kekuatan suatu bangunan. Getaran gempa dapat menyebabkan kegagalan bangunan struktur yang sangat berbahaya jika kerusakan pada struktur dapat menyebabkan bangunan runtuh dan menimbulkan korban jiwa. Pada penelitian ini dibuat sistem yang dapat mengevaluasi gedung berbasis getaran untuk mendeteksi respon struktural melalui parameter dinamis yang diambil dari pengukuran akselerasi. Selanjutnya penggunaan metode berbasis Deep Neural Network digunakan sebagai prediksi informasi apabila informasi dari data mentah tidak tersedia ataupun mengalami anomali. Menggunakan studi kasus gempabumi Sumur, analisis respon dinamis berupa rasio amplifikasi menunjukkan perbesaran hingga 7.2 kali, analisis floor spectra ratio menunjukkan frekuensi alami gedung sebesar 0.75 Hz dan analisis perubahan frekuensi natural gedung tidak menunjukkan adanya perubahan frekuensi alami gedung setelah gempa yaitu sebesar 0.84 Hz setelah terjadinya gempabumi tersebut. Penggunaan Deep Neural Network untuk prediksi respon struktur menunjukkan nilai performa MAE ; 0,00091, RMSE : 0,00150 dan MAPE :0,51048. Penggunaan machine learning ini juga dapat memberikan informasi respon struktur bangunan ketika sensor mengalami malfungsi pada kejadian gempa tersebut. ......The strength of a structure is not only influenced by the age factor but also the influence of external forces that can affect the strength of a building. Earthquake vibrations can cause structural failure which is very dangerous if damage to the structure cause the building to collapse and cause casualties. In this research, a system that can evaluate buildings based on vibration is created to detect structural responses through dynamic parameters taken from acceleration measurements. Furthermore, the use of Deep Neural Network-based methods is used as information prediction if information from raw data is not available or experiences anomaly. Using the Sumur earthquake case study, the dynamic response analysis in the form of amplification ratios shows a magnification of up to 7.2 times, floor spectra ratio analysis shows the natural frequency of the building at 0.75 Hz and the analysis of changes in the natural frequency of the building does not show any change in the natural frequency of the building after the earthquake, which is 0.84 Hz after the earthquake. the earthquake. The use of Deep Neural Network for predicting structural response shows the value of MAE performance; 0.00091, RMSE : 0.00150 and MAPE : 0.51048. The use of machine learning can also provide information on the response of the building structure when the sensor malfunctions in the earthquake event.

Abstrak :
Perkembangan wilayah Bekasi, Depok dan Tangerang memicu pembangunan infrastruktur seperti gedung perkantoran, pusat perbelanjaan, perumahan dan infrastruktur lain. Pembangunan infrastruktur tersebut rentan terhadap bahaya gempa dan perlu dilakukan upaya pencegahan bahaya gempa. Dalam penelitian ini, analisis percepatan gempa dengan metode analisis respon tanah dilakukan dalam rangka reduksi bahaya gempa. Jumlah titik peak ground acceleration (PGA) untuk wilayah Bekasi bernilai antara 0,36 g - 0,39 g. Rentang nilai PGA untuk wilayah Depok bernilai 0,22 g - 0,24 g. Sedangkan, rata-rata nilai PGA untuk wilayah Tangerang adalah 0,22 g. Keseluruhan titik tinjauan akan menghasilkan nilai PGA untuk masing-masing tempat dan nilai PGA tersebut akan di-plot ke dalam peta kontur percepatan gempa. Peta kontur percepatan gempa Bekasi, Depok dan Tangerang akan digabungkan dengan peta kontur DKI Jakarta (hasil penelitian sebelumnya).

---

The development in Bekasi, Depok and Tangerang triggers the development of infrastructure such as office buildings, shopping centers, housing and other infrastructure. These infrastructures are prone to seismic hazard and prevention efforts need to be done. In this study, ground response analyses were conducted within the framework of earthquake hazard reduction. Peak ground acceleration (PGA) value for Bekasi region ranged between 0.36 g - 0.39 g. Then, PGA for Depok region worth between 0.22 g - 0.24 g. Meanwhile, the average PGA value for the Tangerang region was 0.22 g. All the data points are used to produce a seismic microzonation map. This map is a combination of a contour map of Jakarta (done in previous studies).

Abstrak :
ABSTRACT
Two types of reinforced concrete (RC) beam-column joint taken from an office building model designed in accordance to Indonesian Seismic Code SNI 1726:2012 and SNI 1726:2002 along with their corresponding RC code is tested in semi-cyclic loading scheme in order to determine its semirigidity behavior. Along with the loading, dynamic measurement is conducted to determine the natural frequency loss of both samples. The result of the experimental testing is then verified by comparing it to the numerical analysis by using DRAIN2DX fiber model analysis software. From both the testing and the numerical analysis, the joint made by using newer code has larger rotational stiffness compared to the one designed in accordance to the older code. Furthermore, experimental testing showed that the sample designed in accordance to the older code displayed more stiffness loss compared to its newer counterpart. This loss of stiffness is legimated by the loss of natural frequency of both samples from the dynamic measurement.

---

ABSTRAK
Dua sampel sambungan balok kolom yang dirancang menurut peraturan SNI 1728:2012 dan SNI 1728:2002 dengan peraturan beton bertulang yang berhubungan dikaji dengan memberika pembebanan semi-siklik pada sampel melalui percobaan eksperimental dan numerik. Seiringan dengan pengujian ekperimental, uji dinamik dilakukan. Sampel yang dirancang berdasarkan peraturan yang baru memiliki kekakuan rotasi yang lebih tinggi dibandingkan dengan yang didesain dengan peraturan lama, baik dalam uji eksperimental maupun numerik, beserta pola retak yang berbeda diantara kedua sampel. Frekuensi natural dari kedua sampel juga berkurang seiring dengan rusaknya sampel.